本發(fā)明屬于民機航電系統，具體涉及一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法。

背景技術：

1、航空電子系統在現代飛機中發(fā)揮著至關重要的作用，因此，航電系統的異常檢測成為一個熱門的研究領域。傳統的故障檢測方法一般基于故障樹、基于模型和數據驅動，然而，這些方法需要精確的過程數學模型，只適用于輸入較少、數學模型清晰的小系統。并且這些方法在建模過程中有很多干擾以及不確定性的情況，建模結果會受到很大影響。

2、隨著傳感和監(jiān)測技術的進步，現代設備的運行狀態(tài)可以實時記錄，從而產生和積累了大量的多變量時間序列數據。大規(guī)模系統的有效運行在很大程度上依賴于大量高維時間序列數據的生成和分析，這些數據是持續(xù)監(jiān)測系統運作狀態(tài)的重要信息來源。然而，在這些系統中，可能會發(fā)生生產故障、系統缺陷等各種異常事件，導致許多應用程序的預期性能出現偏差。當不同的時間序列維度組合在一起形成了多變量時間序列時，檢測多變量時間數據中的異常已經成為一項關鍵任務。

3、目前在制造業(yè)、金融業(yè)和醫(yī)療保健監(jiān)控等行業(yè)已經認識到異常檢測在保持運營效率和最大限度地減少中斷方面的重要性。時間序列分析涉及對這些數據進行建模以進行分類、預測和異常檢測。航空電子系統的時間序列異常檢測是指對航電系統的時間序列數據進行分析和建模，以發(fā)現其中的離群點或異常模式。有效的異常檢測可以提供及時的預警信息，使航電系統獲得寶貴的時間，防止災難的發(fā)生。

4、航電系統異常檢測是一個受到工業(yè)界和研究界廣泛關注的重要問題。根據時間序列的異常檢測方法，這一領域的方法可分為五大類。這些類別包括：預測未來值以識別異常的預測方法；重建方法，重建時間序列并基于重建誤差識別異常；編碼方法，將時間序列編碼成不同的表示，并使用該編碼檢測異常；距離方法，其測量時間序列之間的差異性并基于距離來識別異常；分布方法，其對時間序列數據的分布進行建模，并基于與預期分布的偏差來檢測異常等。在各種研究中的方法，預測和重建方法的有效性受到極大的歡迎。例如，使用gru和vae的組合來學習時間序列的穩(wěn)健表示；利用鑒別器在gan中的損耗作為檢測異常的附加指示器；在變壓器模型中引入注意機制，并結合對抗性訓練，以共同提高異常檢測的準確性。

5、航電系統傳的異常診斷是保證現代飛機正常運行的重要手段之一。然而，由于需要對航電系統的復雜的多變量時間序列數據進行精確建模，準確地檢測這些數據中的異常是一個巨大的挑戰(zhàn)。多變量時間序列數據中的異常檢測對于確?？绮煌I域的大系統的有效運行至關重要?，F有的方法，包括基于預測和重建的方法，難以有效地應對這些挑戰(zhàn)。

技術實現思路

1、本發(fā)明所要解決的技術問題是針對上述現有技術的不足，提供一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，主要包括自適應動態(tài)掩碼、擴散模型處理和異常推理檢測，采用了一種簡單的動態(tài)掩碼策略，它能讓本發(fā)明更好地消除異常數據模式相關的信息。在時間序列重建過程中，異常點附近的數據節(jié)點可能也不會表現出正常數據的特征，所以當模型提取時間序列中的局部特征和長期依賴關系時，它可能會學習到異常的模式特征；另外，將transformer與去噪擴散模型相結合，取代擴散模型中的內部神經網絡架構，這樣做讓本發(fā)明的模型能夠更好地處理時間序列數據中的全局相關性、復雜模式和長期關系，從而提高了模型的時間序列重構性能。

2、為實現上述技術目的，本發(fā)明采取的技術方案為：

3、一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，包括：

4、步驟1：采用自適應動態(tài)掩碼策略，利用航電系統多變量時間序列中相鄰節(jié)點的信息，掩蔽異常的節(jié)點及其相鄰的節(jié)點信息，以實現時間序列的初始重建；

5、步驟2：將transformer與去噪擴散模型相結合，利用重建的時間序列內掩蔽數據所產生的預測誤差推斷異常標簽，并基于異常標簽確定航電系統異常檢測結果。

6、為優(yōu)化上述技術方案，采取的具體措施還包括：

7、上述的步驟1所述自適應動態(tài)掩碼策略具體如下：

8、對于航電系統多變量時間序列中的每個節(jié)點n，定義sn表示節(jié)點n的相鄰節(jié)點的總數，mn是需要被掩碼的相鄰節(jié)點的數目，每個節(jié)點與重建節(jié)點之間都有相關聯的重建誤差，基于重建誤差和所需的掩碼相鄰節(jié)點的數目mn動態(tài)生成掩碼矩陣：

9、根據重建誤差和實際的異常率，確定異常點周圍需要被掩蔽的節(jié)點的個數；利用需要被掩蔽的節(jié)點與其相鄰節(jié)點之間的皮爾遜相關系數來確定掩碼窗口尺度的大小。

10、上述的掩碼窗口在[0,sn]范圍內自適應調整大小。

11、如果相關系數大于設定閾值，則掩碼窗口在前后兩個方向上擴展；否則，掩碼窗口停止擴展。

12、上述的步驟2包括：

13、重建的多變量時間序列輸入以transformer作為神經網絡架構的去噪擴散模型，去噪擴散模型在t步中逐步去噪被掩蔽的數據，產生t個去噪步驟的輸出結果l＝(l1,l2,…,lt…,lt)，lt表示在去噪步驟t處輸入對應的輸出的預測誤差，并且與原始時間序列有相同的維度；

14、利用l＝(l1,l2,…,lt…,lt)來確定異常預測值，并使用投票機制確定最終異常投票結果。

15、上述的利用l＝(l1,l2,…,lt…,lt)來確定異常預測值，具體如下：

16、在每個去噪步驟t，使用下式確定異常標簽yt,l：

17、

18、其中τt、τt表示去噪步驟t、t處預測誤差的百分位數；

19、使用公式(6)，逐步推導異常預測值的集合為yl＝{yt,1,…,yt,l}；

20、其中yt,l＝1表示在擴散步t，時間步l的數據預測為異常。

21、使用投票機制確定最終異常投票結果表示在時間步l接收到的異常投票的總數，如果一個時間點在所有去噪步驟中收到的異常投票的總數超過閾值ξ，則將該時間點標記為異常點。

22、本發(fā)明具有以下有益效果：

23、本發(fā)明采用vae實現自適應動態(tài)掩碼策略，忽略與異常數據模式相關的信息，通過選擇性地屏蔽相鄰節(jié)點，使模型的關注點轉移到提供信息的非相鄰節(jié)點，同時降低了自身節(jié)點信息對數據序列重構的影響，有利于改進的特征學習，增強模型的泛化能力。

24、本發(fā)明將去噪擴散模型與transformer體系結構相結合，首次應用于航電系統多維時間序列的異常檢測任務，以構建適用于時間序列數據的生成模型，這種集成顯著提高了推理效率。

技術特征：

1.一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，包括：

2.根據權利要求1所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，步驟1所述自適應動態(tài)掩碼策略具體如下：

3.根據權利要求2所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，所述掩碼窗口在[0,sn]范圍內自適應調整大小。

4.根據權利要求3所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，如果相關系數大于設定閾值，則掩碼窗口在前后兩個方向上擴展；否則，掩碼窗口停止擴展。

5.根據權利要求1所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，所述步驟2包括：

6.根據權利要求5所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，所述利用l＝(l1,l2,…,lt…,lt)來確定異常預測值，具體如下：

7.根據權利要求5所述的一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，其特征在于，使用投票機制確定最終異常投票結果表示在時間步l接收到的異常投票的總數，如果一個時間點在所有去噪步驟中收到的異常投票的總數超過閾值ξ，則將該時間點標記為異常點。

技術總結
本發(fā)明公開了一種基于動態(tài)掩碼擴散模型的航電系統異常檢測方法，包括：步驟1：采用自適應動態(tài)掩碼策略，利用航電系統多變量時間序列中相鄰節(jié)點的信息，掩蔽異常的節(jié)點及其相鄰的節(jié)點信息，以實現時間序列的初始重建；步驟2：將Transformer與去噪擴散模型相結合，利用重建的時間序列內掩蔽數據所產生的預測誤差推斷異常標簽，并基于異常標簽確定航電系統異常檢測結果。本發(fā)明在檢測準確性和及時性方面明顯優(yōu)于最先進的方法。

技術研發(fā)人員：胡軍,鄭啟水
受保護的技術使用者：南京航空航天大學
技術研發(fā)日：
技術公布日：2024/12/30